Wydawać by się mogło, że w epoce cyfrowej, gdy każdy dokument, prezentacja czy arkusz kalkulacyjny zapisane są w chmurze i dostępne „na kliknięcie”, odnajdywanie informacji nie powinno sprawiać problemów. Tymczasem jest nieco inaczej.

Raport Atlassian „State of Teams” ujawnia, że pracownicy w firmach z listy Fortune 500 marnują rocznie 2,4 mld godzin na szukanie potrzebnych danych. Problemem są jednak nie tylko zagubione czy nieposegregowane dokumenty, ale także udostępnianie właściwych informacji w nieodpowiednich miejscach. Rozproszone dane, ukryte w e-mailach, czatach, arkuszach i prywatnych notatkach, utrudniają tzw. obieg pracy. Każdy, kto choć raz bezskutecznie próbował odnaleźć ważny plik, wie, że czasami to nie tylko wymaga czasu, ale jest też źródłem frustracji i czynnikiem obniżającym produktywność.

Dane niegotowe na AI

Z badań rynkowych wynika, że jedynie co 10 firma posiada dane w formie gotowej do wykorzystania przez sztuczną inteligencję. Reszta wciąż zmaga się z problemem chaosu informacyjnego, silosów i braku ustrukturyzowanych zasobów. Z raportu PMR Market Experts dowiadujemy się, że w Polsce aż 2/3 przedsiębiorstw wstrzymało lub zrezygnowało z projektów AI, często właśnie z powodu niewystarczającej jakości danych. Jednocześnie tylko 12% globalnych firm uważa, że ich dane są w pełni gotowe do zastosowania w narzędziach sztucznej inteligencji.

Od silosów do spójności – rola standardów

W praktyce problemem wielu organizacji nie jest brak danych, ale ich rozproszenie i niespójność. Firmy gromadzą informacje w różnych systemach – od CRM i ERP po arkusze Excela – co utrudnia ich integrację i efektywne wykorzystanie.

W odpowiedzi na te wyzwania powstała inicjatywa Open Semantic Interchange (OSI), którą wspólnie rozwijają Snowflake, Salesforce, dbt Labs, RelationalAI oraz BlackRock. Jej celem jest stworzenie uniwersalnych ram semantycznych, pozwalających firmom „porozumiewać się jednym językiem” w zakresie danych. Dzięki temu organizacje mogą szybciej wdrażać narzędzia AI i Business Intelligence, ograniczając ryzyko błędów wynikających z niespójnych definicji czy rozproszonych metadanych.

AI przyspiesza pracę

Badania przeprowadzone przez firmę Algolytics pokazują, że zastosowanie sztucznej inteligencji w procesach analitycznych znacząco zwiększa efektywność pracy zespołów zajmujących się danymi. W testowanych scenariuszach AI skracała czas potrzebny na wykonanie zadań analitycznych średnio o 60–80%, przy jednoczesnym zachowaniu wysokiej jakości wyników.

Algolytics wskazuje, że największe korzyści z wdrożenia AI dotyczą automatyzacji powtarzalnych czynności, takich jak przygotowanie danych, selekcja zmiennych czy testowanie modeli. Dzięki temu analitycy mogą skoncentrować się na interpretacji wyników i rekomendacjach biznesowych, zamiast tracić czas na techniczne aspekty procesu.

Badanie Algolytics jednocześnie potwierdza, że luka między deklaracjami a praktyką jest ogromna. Choć coraz więcej organizacji mówi o wykorzystywaniu danych i AI, to tylko jedna na trzy faktycznie włącza je do codziennych procesów.

AI jako partner decyzyjny

Analitycy Gartnera przewidują, że sztuczna inteligencja będzie odgrywać coraz większą rolę w procesach decyzyjnych i analitycznych w organizacjach. Do 2027 r. połowa decyzji biznesowych ma być wspierana lub całkowicie zautomatyzowana przez agentów AI, co oznacza przełom w sposobie, w jaki firmy wykorzystują dane i analitykę.

Gartner przewiduje, że do 2028 r. 30% projektów GenAI wdrażanych na szeroką skalę będzie tworzonych wewnętrznie, a nie opartych na gotowych rozwiązaniach. Budowanie własnych modeli daje większą kontrolę i elastyczność, ale wymaga jasnych kryteriów decyzyjnych – od kosztów i dostępnych kompetencji po zgodność z regulacjami.

Podsumowując, sztuczna inteligencja nie rozwiąże problemów z analityką danych sama. Aby była skuteczna, potrzebuje wysokiej jakości danych i kompetentnych specjalistów.

Cały artykuł Analityka danych potrzebuje wsparcia AI został opublikowany w listopadowym wydaniu miesięcznika „IT Professional”.

(grafika tytułowa – źr. Pixabay)